基于Felder-Silverman学习风格的自适应e-learning系统

传统e-learning系统缺乏学生个性化特征的定制功能,学习风格是学习过程中较为稳定的学习策略倾向个性特征。将Felder-Silverman学习风格引入e-learning系统,给出了基于Solomon量化表的学习风格生成算法,然后搭建基于.NET分层架构的自适应性e-learning系统。实验结果表明,该系统能够根据学生的学习风格进行个性化的内容呈现和知识导航,具有自适应的特征。     

分组样本下先验BN模型及条件概率的学习算法

文章扩展经典的先验BN模型，采用两层学习结构讨论分组样本下BN模型的条件概率及学习算法：一层是对各组私有条件概率分布的学习；另一层是对各组公有条件概率分布的学习。算法在综合公有后验条件概率分布和本组学习实例数据分布特征的基础上，实现对各组私有条件概率分布的学习，并可通过经验或学习来改变综合值中共性和个性的比例。     

医学院校英语专业学生学习风格研究

学习风格是近年来西方学界一个方兴未艾的研究热点。本文运用科尔布的学习风格理论及学习风格量表研究医学院校英语专业学生的学习风格,探讨学习风格是否存在性别差异及医学院校环境对学习风格的影响。同时根据研究发现,对英语专业的教学提出了建议。     

基于语音识别的学生学习风格挖掘研究

基于语音识别技术,探讨如何挖掘学生的学习风格。通过智能学习平台实时采集学生的语音信号,并采用支持向量机（Support Vector Machine,SVM）算法对语音特征进行分析,识别学生的学习风格类型。实验结果显示,语音识别技术在学习风格分类中的语音识别准确率接近100%,有助于为每种学习风格的学生提供个性化的教学方案。研究表明,语音识别技术为个性化教育提供了新的技术支持,能够提升学习效果并满足学生的多样化需求。     

基于蜜源优化策略的频率分配方法

为解决频率分配问题,提出了一种基于蜜源优化的频率分配方法.首先提出了评估干扰程度的计算方法,对传统人工蜂群算法的引领蜂搜索行为进行改进,并重新设计跟随蜂搜索行为,增加选择性变异操作,以达到增加蜜源多样性以及降低陷入局部最优解可能性的目的.仿真结果表明,所提算法在搜索效率和稳定性上具有明显优势,能够在有效时间内找到满足频率距离约束的频率分配方案.     

面向价值的组合服务优化方法

为了支持服务系统最大限度地实现顾客期望的服务价值,提出了一种面向价值的组合服务优化方法。该方法是基于面向价值的组合服务分析的结果,利用人工蜂群算法（ABC）,通过对组合服务中影响价值实现的服务要素进行替换,得到组合服务的优化方案。实验结果表明文中的面向价值的组合服务优化方法能够以最小的优化代价、最大限度地保障服务系统的价值实现。     

快速分组交换系统中的人工神经网络方法

介绍了如何利用人工神经网络去解决宽带综合业务数字网(B—ISDN)中的各种快速分组交换问题。文中给出了两种具体方案并总结出了一般原理,而且还提出了一些有待进一步研究的新课题和新方向。     

基于多目标优化模型的扇叶最优分组与排列方案

衡量某种机械单片扇叶结构优劣的指标有“质量”与“转动频率”两种参数,为了合理地装配整个风扇,需要相邻组的扇叶质量差达到最小,同时相邻叶片的频率差达到最大。首先构建一个单目标优化的质量分组模型,其后引入递推型动态规划算法,使得相邻组的扇叶质量差达到最小。同时考虑转动频率的影响,再建立一个多目标优化的质量分组模型,采用动态权重线性加权法,通过对比不同权重下相邻扇叶组的最大质量差和相邻扇叶的最大频率差,发现当A目标和B目标的权重均为0.5时,该模型所给出的方案效果最佳。     

基于二叉树的高效分组安全聚合方法

安全聚合是联邦学习安全共享过程中确保本地模型聚合安全性和隐私性的关键环节。然而,现有方法存在计算开销大、公平机制差、隐私泄露、无法抗量子攻击等问题。为此,该文提出一种基于二叉树的高效分组安全聚合方法(Tree-Aggregate)。首先,基于二叉树构建用户分组安全通信协议将计算开销从$Oleft( {N{text{l}}{{text{g}}^2}{text{lg}}N{text{lglglg}}N} right)$降到$Oleft( {lg N{text{lg}}N} right)$量级,并通过均匀分摊机制保证了用户计算开销的公平性;然后,提出一种分组不均衡场景下的随机填充算法,解决单一用户引起的隐私泄露问题。最后,该文通过融入格密钥交换协议,为Tree-Aggregate方法增加了抗量子攻击的能力。通过理论分析,Tree-Aggregate将计算开销的增长速率由线性级别变为对数级别,并通过实验对比分析表明,当用户数量N ≥300时计算开销相较于现有方法减小了近15倍。     

并行人工蜂群算法研究

针对人工蜂群算法在处理高维度问题时收敛速度慢的问题,利用OpenMP多线程技术和规约机制,并根据已改进的观察蜂来选择雇佣蜂的方式,提出了基于OpenMP的并行人工蜂群算法（PCABC）。仿真实验分别在问题维度为100和200下进行来评估算法性能,在4个逻辑处理器环境下,基于静态调度的并行人工蜂群算法的加速比最高可以达到3.95,效率可达98.65%。实验结果表明,PCABC并行人工蜂群算法在处理高维度复杂函数时,收敛速度和算法运行时间都有较大的提升。     

人工蜂群算法研究综述

人工蜂群算法是近年来群智能方向的研究热点.首先介绍了蜂群算法的思想,然后从Markov链角度证明了蜂群算法的收敛性,从算法改进和算法应用两个方面对蜂群算法的研究现状进行了总结,与其他算法进行了优缺点的对比,最后指出了蜂群算法进一步研究的方向.     

基于蜂群优化模糊聚类的遥感图像变化检测

针对模糊聚类算法容易陷入局部最优,结合人工蜂群算法的全局最优性,提出一种基于蜂群优化模糊C均值聚类的新算法,并将此算法应用到遥感图像的变化检测中。利用差值图和比值图融合的方法得出多时相遥感图像的差异图,在对差异图像进行模糊聚类生成变化类和未变化类的同时,利用人工蜂群算法对差异图进行全局搜索,较大程度地避免FCM算法陷入局部最优,也降低了FCM算法对初始解的敏感度。实验结果表明,新算法比FCM分类准确、效率更高。     

牛顿迭代法在草图约束优化问题中的改进

为完成草图约束问题的快速高效求解,文中提出基于人工蜂群的牛顿迭代混合算法来求解草图约束问题。其首先用蜂群算法对初值进行全局搜索,并将得到的初值作为牛顿法的初值进行草图约束问题的求解,保证了迭代速度,又避免了问题求解过程中陷入局部最优值,较好地把两种算法的优势结合起来,从而提高草图约束问题求解的速度以及成功率。仿真数据显示,该算法结果是可靠的,有较强的数值稳定性,是一种理想的求解草图约束问题的方法。     

人工蜂群聚类在雷达信号分选中的应用

针对传统的 K-Means 聚类雷达信号分选算法对初始聚类中心敏感和易陷入局部最优解的缺点,将改进的人工蜂群算法和 K-Means 迭代相结合,提出了一种混合聚类雷达信号分选算法,使算法对初始聚类中心的依赖性和陷入局部最优解的可能性降低,提高了算法的稳定性。通过仿真实验证明该算法分选准确率高,为雷达信号分选提供了新的思路。     

基于差分变异算子的改进人工蜂群算法

文章针对传统人工蜂群算法收敛速度慢、精度不高的问题,基于差分进化算法中的变异算子,对人工蜂群算法搜索方程进行改进,在种群更新过程中引入当前种群最优个体信息,以提升算法的收敛速度和局部优化能力。     

人工蜂群算法的研究综述

人工蜂群算法是一种基于蜜蜂采蜜行为的新兴群体智能算法,通过不同角色蜜蜂间的交流、转换和协作来实现群体智能。基于此,首先阐述了基本ABC算法和二进制ABC算法的原理,然后针对基本ABC算法存在的不足,从四个方面综述了各种改进算法,最后对ABC算法在一些领域中的应用现状和对未来研究方向进行了概括总结。